Como usar
- Cole os dados com uma linha por caso e uma coluna por variável. Coloque os nomes na primeira linha.
- Escolha a variável dependente (Y) e marque os preditores (X) que quer incluir.
- Veja a equação, o R² e o teste F do modelo; depois o valor p de cada preditor na tabela de coeficientes.
- Informe valores de X em Prever para obter o Y previsto com o intervalo de previsão.
Opções explicadas
- B e Beta
- B é o coeficiente nas unidades originais: quando X sobe uma unidade, Y muda B em média. Beta é o coeficiente padronizado, para comparar preditores medidos em unidades diferentes.
- R² e R² ajustado
- R² é a proporção da variação de Y que o modelo explica. Ele nunca cai ao incluir preditores, então compare modelos pelo R² ajustado.
- VIF
- O fator de inflação da variância mostra quanto um preditor é explicado pelos outros. Acima de 10 (alguns textos dizem 5) há forte multicolinearidade, e os coeficientes individuais deixam de ser confiáveis.
- Durbin–Watson
- Verifica se resíduos vizinhos são correlacionados. Valores perto de 2 são bons. Só faz sentido se as linhas estiverem em ordem temporal.
Um exemplo prático
A amostra tem 10 linhas, com Y como variável dependente e X1 e X2 como preditores.
Equação: Y = 0,4023 + 0,7876 × X1 + 1,0054 × X2
| Resumo do modelo | Valor |
|---|---|
| R² | 0,9986 |
| R² ajustado | 0,9982 |
| Erro padrão da estimativa | 0,1993 |
| F(2, 7) | 2462,4, p < 0,001 |
| Coeficiente | B | EP | Beta | t | p | VIF |
|---|---|---|---|---|---|---|
| (Constante) | 0,4023 | 0,1625 | 2,476 | 0,042 | ||
| X1 | 0,7876 | 0,0825 | 0,511 | 9,550 | < 0,001 | 14,13 |
| X2 | 1,0054 | 0,1082 | 0,497 | 9,290 | < 0,001 | 14,13 |
Os dois preditores são significativos, mas o VIF de 14,1 passa de 10 porque X1 e X2 são muito correlacionados entre si. O modelo continua prevendo bem; o difícil é separar o efeito de cada preditor. Desmarque X2 para fazer uma regressão simples: Y = 1,2267 + 1,5261 × X1, R² = 0,981. Com X1 = 11, o Y previsto é 18,01, com intervalo de previsão de 95% de 16,11 a 19,91.
Formato APA: R² = .999, F(2, 7) = 2462.39, p < .001.
Como ler o resultado
- Teste F do modelo: p < 0,05 significa que o modelo como um todo explica alguma coisa.
- R² ou R² ajustado: quanto da variação de Y é explicado.
- Valores p dos coeficientes: quais preditores continuam importando ao controlar pelos outros.
- Gráfico de resíduos: o ideal é uma faixa sem forma definida em torno de 0. Uma curva indica que a relação não é linear; um funil, que a variância não é constante.
- VIF: com vários preditores, confira a colinearidade.
Perguntas frequentes
Bate com o SPSS e o R?
Bate. Coeficientes, erros padrão, t, p, R² e F coincidem com a regressão linear do SPSS e com o lm() do R; Beta é o “coeficiente padronizado” do SPSS.
E as células vazias?
A linha que tiver uma célula vazia em qualquer coluna escolhida fica de fora (exclusão listwise). O resultado informa quantas linhas foram descartadas.
Como incluir um preditor categórico, como sexo ou região?
Codifique antes em colunas dummy de 0/1. Para k categorias, faça k − 1 colunas e deixe uma categoria como referência.
O que significa “perfeitamente colineares”?
Que uma coluna pode ser calculada a partir das outras, por exemplo uma pontuação total junto com suas partes, ou duas colunas idênticas. Desmarque uma delas.
Meus dados são enviados?
Não. O cálculo roda no seu navegador.
Privacidade
Esta ferramenta funciona inteiramente no seu navegador. Seus arquivos e textos são processados no seu dispositivo e nunca são enviados aos nossos servidores.